Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する実験動画

Updated: Jan 13, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K

OCT画像（2D/3D）分類のためのデュアル・トランスフォーマーベースの敵対的生成ネットワーク（DTG）

Badr Ait Hammou1, Renaud Duval1, Marie-Carole Boucher1

  • 1Department of Ophthalmology, Université de Montréal, Montreal, Québec, Canada; Centre Universitaire d'Ophtalmologie (CUO), Hôpital Maisonneuve-Rosemont, CIUSSS de l'Est-de-l'Île-de-Montréal, Montréal, Québec, Canada.

Medical image analysis
|January 10, 2026
PubMed
まとめ

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Retinal lesion annotation on fundus imaging: an interobserver variability study.

Scientific reports·2026
Same author

Multimodal Deep Learning for Benign vs Malignant Eyelid Lesion Classification Using Optical Coherence Tomography and Clinical Images.

Ophthalmic plastic and reconstructive surgery·2026
Same author

Cell type transcriptomic modules reveal shared molecular mechanisms in Alzheimer's and Parkinson's disease.

GigaScience·2026
Same author

Impact of AI-enhanced three-dimensional OCT scans on disease activity assessment in patients with nAMD: the RAZORBILL study.

The British journal of ophthalmology·2026
Same author

Automatic dental crown generation with spatial constraint modeling.

Journal of medical imaging (Bellingham, Wash.)·2026
Same author

DNAi: an open-source AI tool for unbiased DNA fiber analysis.

Nucleic acids research·2026

本研究では、光干渉断層撮影（OCT）スキャンからの網膜疾患分類を改善するために、デュアル・トランスフォーマーベースの敵対的生成ネットワーク（DTG）を紹介します。DTGは、高度なAIとデータ拡張技術を活用することで、診断精度を向上させます。

科学分野:

  • 眼科学
  • 医用画像処理
  • 人工知能

背景:

  • 自動網膜障害同定は、眼科の主要な応用分野です。
  • トランスフォーマーモデルは画像分類で有望ですが、医療アプリケーションにはより多くのデータが必要です。
  • 現在の網膜データ分類法は、パフォーマンスの向上が必要です。

研究 の 目的:

  • 網膜疾患分類を強化するための新しいディープラーニングアーキテクチャ、デュアル・トランスフォーマーベースの敵対的生成ネットワーク（DTG）を提案すること。
  • 医療画像におけるトランスフォーマーモデルのデータハングリー問題を解決すること。
  • 光干渉断層撮影（OCT）データを使用した自動診断の精度と信頼性を向上させること。

主な方法:

  • ビジョン・トランスフォーマーおよびマルチスケール・ビジョン・トランスフォーマーを使用して、2Dおよび3D OCT画像をエンコードしました。
  • 高品質な意味的データ表現のために、敵対的生成ネットワーク（GAN）アーキテクチャを採用しました。
  • トレーニングデータを増やすために、患者インスタンスベースのデータ拡張技術を実装しました。
  • 最終的な網膜疾患分類タスクのために、重み付け分類器を適用しました。

主要な成果:

キーワード:
3D OCT画像分類生成モデル画像分類マルチスケール・ビジョン・トランスフォーマー光干渉断層撮影網膜疾患分類ビジョン・トランスフォーマー

さらに関連する動画

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

731

関連する実験動画

Last Updated: Jan 13, 2026

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.3K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

731
  • 提案されたDTGアーキテクチャは、精度、適合率、再現率、F1スコア、AUCを含む複数の指標で優れたパフォーマンスを達成しました。
  • DTGは、2Dおよび3D OCT画像の分類において、一般的な畳み込みニューラルネットワークおよびトランスフォーマーモデルを上回りました。
  • このアプローチは、網膜データ分類における既存の方法よりも大幅な改善を示しました。

    • 結論:

    • DTGアーキテクチャは、OCTデータからの自動網膜疾患分類のための強力なソリューションを提供します。
    • トランスフォーマー、GAN、およびデータ拡張の組み合わせは、医療AIにおけるデータ制限を効果的に解決します。
    • この研究は、眼科におけるAIの分野を進歩させ、より正確で効率的な疾患診断を約束します。